ElasticSearch（Lucene）TF-IDF原理及使用

TF-IDF（Term Frequency-Inverse Document Frequency, 词频-逆文件频率）描述：

是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法，
用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。
字词的重要性随着它在文件中出现的次数成正比增加，
但同时会随着它在语料库中出现的频率成反比下降。
举例 一个词语在一篇文章中出现次数越多, 同时在所有文档中出现次数越少, 越能够代表该文章.

TF描述
词频 (term frequency, TF) 指的是某一个给定的词语在该文件中出现的次数。
这个数字通常会被归一化(一般是词频除以文章总词数), 以防止它偏向长的文件。
（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否。）

词频TF计算公式

 

逆向文件频率 (inverse document frequency, IDF) IDF的主要思想是：
如果包含词条t的文档越少, IDF越大，则说明词条具有很好的类别区分能力。
某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到。
逆文档率越高，该文档词条出现的越罕见

词频逆文件频率计算公式

 

　某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，
  可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语